基于人体通信的联邦学习实现体载边缘智能：综述、分类法与BODYFED-HBC调度示例

arXiv:2605.24062v1 公告类型：新 摘要：人体通信（HBC）是用于可穿戴体域网的一种有前景的物理介质，因为它可以将通信局限在身体周围，并减轻传统无线电链路的负担。联邦学习（FL）是一种有前景的学习机制，因为它可以减少生理和行为传感的原始数据集中化。然而，这两个领域之间的联系仍然薄弱：用于可穿戴设备的联邦学习通常抽象化通信层，而人体通信研究通常抽象化学习和模型更新流量。本文综述了人体通信、无线体域网、可穿戴联邦学习、身联网隐私和边缘智能优化的交叉领域。我们提出了一种分类法，区分了体内、体枢纽、跨用户和临床云联邦学习部署，并识别出人体信道感知联邦学习这一开放问题：即客户端选择、更新压缩和聚合受姿势依赖的人体通信链路、剩余能量、传感器内存和隐私风险影响的学习协议。为了使研究议程具体化，我们引入了BODYFED-HBC作为参考架构，并提供了优化公式和调度算法。我们进一步给出了一个可复现的仿真示例，结合了公开的可穿戴数据集和经验性的人体耦合通信信号损耗模型。本文最后为在硬件层之上工作的计算机科学家提供了开放数据集、评估指标、局限性和研究方向。

# 基于人体通信的联邦学习用于体表边缘智能：综述、分类法与BODYFED-HBC调度示例
来源：https://arxiv.org/abs/2605.24062
书目工具

## 书目与引用工具

书目浏览器 切换

代码、数据、媒体

## 本文相关的代码、数据和媒体

演示

## 演示

相关论文

## 推荐与搜索工具

IArxiv推荐器 切换

关于arXivLabs

## arXivLabs：与社区合作者的实验性项目

arXivLabs是一个框架，允许合作者直接在我们的网站上开发和共享新的arXiv功能。

与arXivLabs合作的个人和组织都已接受并认同我们关于开放性、社区、卓越和用户数据隐私的价值观。arXiv致力于这些价值观，仅与遵守这些价值观的合作伙伴合作。

有能为arXiv社区增值的项目想法？**了解更多关于arXivLabs** (https://info.arxiv.org/labs/index.html)。